趙珊珊, 何 寧, 曹 珊

(1.北京聯(lián)合大學(xué) 北京市信息服務(wù)工程重點(diǎn)實(shí)驗(yàn)室，北京 100101; 2.北京聯(lián)合大學(xué)智慧城市學(xué)院，北京 100101)

0 引 言

目前我國(guó)高鐵發(fā)展迅速，車載軌道巡檢系統(tǒng)方面的研究取得了一定的成果，但一直未能很好地解決鐵路軌道及鐵路扣件狀態(tài)的檢測(cè)問題。鐵路扣件缺失或斷裂，都可能釀成列車脫軌等重大事故。文獻(xiàn)采用小波變換得到扣件區(qū)域，并用閾值分割和形態(tài)學(xué)方法獲得扣件的二值圖像，但受背景環(huán)境的影響。文獻(xiàn)采用方向場(chǎng)和模板匹配的方法檢測(cè)出扣件狀態(tài)，該方法對(duì)扣件定位的精確度和圖像質(zhì)量要求很高，匹配精度受到嚴(yán)重制約。文獻(xiàn)采用傳統(tǒng)的梯度方向直方圖(histogram of oriented gradient,HOG)方法提取特征，通過基于核的主成分分析法進(jìn)行降維，經(jīng)支持向量機(jī)(support vector machine,SVM)中的分類訓(xùn)練，實(shí)現(xiàn)扣件狀態(tài)檢測(cè)，該方法提取的冗余特征量過多導(dǎo)致計(jì)算時(shí)間長(zhǎng)。文獻(xiàn)融合塔式梯度方向直方圖(pyramid histogram of oriented gradients,PHOG)特征和宏觀局部二值模式(macroscopic local binary pattern,MSLBP)特征提取扣件特征，用SVM分類器進(jìn)行分類，其難以提取到完整的扣件邊緣。文獻(xiàn)采用局部二值模式(local binary pattern,LBP)和SVM的組合模型，對(duì)扣件圖像進(jìn)行特征提取與類別判定，但其對(duì)非明顯紋理扣件圖像處理結(jié)果不理想。

為了提高扣件狀態(tài)檢測(cè)的準(zhǔn)確率，本文采用尺度不變特征轉(zhuǎn)換(scale-invariant feature transform,SIFT)特征、Fisher向量和LIBLINEAR分類器對(duì)扣件狀態(tài)進(jìn)行分類檢測(cè)。

1 扣件狀態(tài)檢測(cè)算法

鐵路扣件的常見狀態(tài)如圖1所示。

1.1 SIFT特征

SIFT特征對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化等保持不變性，對(duì)噪聲也有一定抑制，因此是一種非常穩(wěn)定的局部特征。SIFT特征生成一般情況下包括：1)極值點(diǎn)檢測(cè)； 2)特征點(diǎn)定位；3) 為特征點(diǎn)分配方向；4)生成特征描述子。

使用高斯卷積核構(gòu)建高斯差分尺度空間，高斯尺度空間由不同高斯核平滑卷積而成

D(x,y,σ)=((G(x,y,kσ)-G(x,y,σ))*I(x,y))

=L(x,y,kσ)-L(x,y,σ)

(1)

圖2 尺度空間極值點(diǎn)檢測(cè)

1.1.2 特征點(diǎn)定位

在得到潛在的特征點(diǎn)后，需要去除一些低對(duì)比度的極值點(diǎn)以及邊緣響應(yīng)點(diǎn)來精確定位特征點(diǎn)，首先對(duì)空間尺度函數(shù)進(jìn)行泰勒展開成三維二次函數(shù)

4.“問責(zé)”強(qiáng)震懾。建立健全監(jiān)督問責(zé)工作機(jī)制，對(duì)基層黨組織和黨的領(lǐng)導(dǎo)人員違反黨章和其他黨內(nèi)法規(guī)，不履行或者不正確履行職責(zé)等失職失責(zé)情況進(jìn)行問責(zé)，以“有責(zé)必問、問責(zé)必嚴(yán)”的強(qiáng)烈意識(shí)，全面扎緊問責(zé)制度的籠子。

(2)

1.1.3 特征點(diǎn)方向分配

找到了特征點(diǎn)需要給特征點(diǎn)的方向進(jìn)行賦值。利用特征點(diǎn)鄰域像素的梯度分布特性來確定其方向參數(shù)，再利用圖像的梯度直方圖求取關(guān)鍵點(diǎn)局部結(jié)構(gòu)的穩(wěn)定方向，特征點(diǎn)(x,y)處的梯度模值和方向分別為

m(x,y)=(L(x+1,y)-L(x-1,y))2+

(L(x,y+1)-L(x,y-1))2

(3)

(4)

根據(jù)鄰域點(diǎn)的方向、梯度幅值以及距離特征點(diǎn)的遠(yuǎn)近構(gòu)建梯度方向直方圖，直方圖中峰值所對(duì)應(yīng)的角度即為該特征點(diǎn)的主方向。

1.1.4 特征點(diǎn)描述

將坐標(biāo)軸旋轉(zhuǎn)為特征點(diǎn)的主方向，以特征點(diǎn)為中心取 的窗口(特征點(diǎn)所在的行和列不取)。圖3(a)中的加黑點(diǎn)為當(dāng)前特征點(diǎn)，每個(gè)小格代表特征點(diǎn)鄰域所在尺度空間的一個(gè)像素，在4×4的圖像塊上計(jì)算8個(gè)方向的梯度方向直方圖，繪制每個(gè)梯度方向的累加值，形成1個(gè)種子點(diǎn)，如圖3(b)所示。圖中1個(gè)特征點(diǎn)由4×4共16個(gè)種子點(diǎn)組成，每個(gè)種子點(diǎn)有8個(gè)方向向量信息，可產(chǎn)生4×4×8共128個(gè)數(shù)據(jù)。圖4為提取SIFT特征的結(jié)果。

圖3 生成關(guān)鍵點(diǎn)描述子

圖4 提取的SIFT特征點(diǎn)

1.2 Fisher向量

(5)

用EM算法估計(jì)高斯混合模型的參數(shù)λ，得到高斯混合模型參數(shù)的先驗(yàn)值，wi是隨機(jī)選中第i個(gè)高斯分布的概率，另外2個(gè)參數(shù)為高斯分布的均值和方差。

特征xt由第i個(gè)高斯分布生成的概率為

(6)

1.3 LIBLINEAR訓(xùn)練

LIBLINEAR同時(shí)支持線性SVM和邏輯回歸分類，本文使用LIBLINEAR支持的L2損失函數(shù)的線性SVM將扣件狀態(tài)劃分為正常與異常2類。使用訓(xùn)練集中扣件圖像歸一化后的Fisher向量訓(xùn)練LIBLINEAR分類器。數(shù)據(jù)集采用集通線鐵軌扣件數(shù)據(jù)，其訓(xùn)練集中正樣本10 000張，負(fù)樣本10 000張。將訓(xùn)練集劃分為5個(gè)子訓(xùn)練集，5個(gè)子訓(xùn)練集分別是2 000張正樣本和2 000張負(fù)樣本，采用5折交叉驗(yàn)證的方法，最終通過實(shí)驗(yàn)確定代價(jià)參數(shù)C=4，迭代停止條件的容忍度。eps=0.01。

2 實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)運(yùn)行環(huán)境是Intel(R)I5-6300HQ CPU，2.20 GHz，8 GB內(nèi)存，開發(fā)環(huán)境為Visual Studio 2012和OpenCV。本文使用的扣件數(shù)據(jù)集是通過高速掃描相機(jī)采集的集通線鐵軌扣件數(shù)據(jù)。集通線共34 000張扣件圖像。訓(xùn)練庫(kù)圖像20 000張，其中，正、負(fù)樣本各10 000張；測(cè)試樣本14 000張，其中正、負(fù)樣本各7 000張。

2.1 準(zhǔn)確率測(cè)試

本文使用的扣件數(shù)據(jù)集通過高速掃描相機(jī)采集的集通線鐵軌扣件數(shù)據(jù)。本文算法在不同數(shù)量訓(xùn)練集和測(cè)試集情況下的準(zhǔn)確率如表1 所示,本文算法的扣件狀態(tài)檢測(cè)平均準(zhǔn)確率達(dá)到98.97 %。

2.2 算法效率

2.2.1 不同方法對(duì)比

為了驗(yàn)證實(shí)驗(yàn)結(jié)果，將本文方法與方向場(chǎng)匹配方法，小波分離+神經(jīng)網(wǎng)絡(luò)法處理得到的結(jié)果進(jìn)行比較。實(shí)驗(yàn)對(duì)比結(jié)果如表2所示,可以看出本文的誤報(bào)率和漏報(bào)率均低于其他2種方法。相對(duì)于方向場(chǎng)，本文方法法時(shí)間稍長(zhǎng)，但誤報(bào)率和漏報(bào)率遠(yuǎn)低于方向場(chǎng)法。相比于小波+神經(jīng)網(wǎng)絡(luò)方法，本文方法不僅耗時(shí)短，而且誤報(bào)率與漏報(bào)率均低于該方法。本文提出方法的效果最好。

表2 實(shí)驗(yàn)結(jié)果對(duì)比

2.2.2 分類器效率對(duì)比

LIBLINEAR支持線性分類，LIBSVM支持線性分類和非線性分類，在線性分類條件下，LIBLINEAR無論是在訓(xùn)練上還是在預(yù)測(cè)上，均比LIBSVM高效得多。本文通過選用不同樣本數(shù)進(jìn)行5組實(shí)驗(yàn)，分別采用2 422，4 524，6 978，15 324，20 234張樣本數(shù)進(jìn)行測(cè)試。實(shí)驗(yàn)表明，分類時(shí)間上LIBLINEAR速度明顯優(yōu)于SVM和LIBSVM，結(jié)果如圖5。

圖5 不同分類器時(shí)間效率

3 結(jié) 論

對(duì)于扣件狀態(tài)分類識(shí)別問題，利用SIFT特征提取算法提取扣件圖像的局部特征，將每幅扣件圖像的SIFT特征聚合成Fisher向量，再對(duì)Fisher向量進(jìn)行歸一化，最后通過訓(xùn)練的LIBLINEAR分類器對(duì)扣件圖像做出狀態(tài)分類，該方法扣件狀態(tài)識(shí)別平均準(zhǔn)確率為98.97 %，有較高的識(shí)別率及魯棒性。在后續(xù)的研究工作中，為了進(jìn)一步提高扣件狀態(tài)識(shí)別準(zhǔn)確率并充分利用數(shù)據(jù)集，將考慮將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用到扣件狀態(tài)分類識(shí)別研究中。